交互作用體繪製是後基因組時代最重要的系統生物學目標之一，其完備性直接決定了 network medicine 和藥物開發的預測能力。
完備性估計與偏差校正
目前人類 PPI 圖譜嚴重不完整且帶有系統偏差（ascertainment bias）：熱門蛋白質（如 p53, EGFR）研究最多，「長尾」蛋白質少有互動被報導。Rolland et al.（Cell, 2014）開發 stochastic sampling framework 估計 recall/precision：HI-II-14（~14,000 binary interactions）在 well-studied pairs 上的 recall 約 15%，推算全基因組二元 PPI 空間約 ~300,000 對。
計算預測方法
- 同源轉移（Interolog mapping）：若物種 A 中蛋白質 a₁-a₂ 有互動，其在物種 B 中的同源蛋白 b₁-b₂ 可能也互動。適用於從模式生物推廣到人類，但假陽性高。
- 結構預測：AlphaFold-Multimer（Evans et al., 2022）可預測蛋白質複合體結構，interface residue 分析推斷互動可能性。Burke et al.（Nat Biotechnol, 2023）用 AF-Multimer 對 ~17,000 人類蛋白質做系統性 docking，預測了 ~700,000 對可能互動。
- 機器學習：Sequence-based 方法（PIPR, D-SCRIPT）使用預訓練蛋白質語言模型（ESM-2）嵌入 + cross-attention 預測 PPI，AUC > 0.90。Graph-based 方法將已知 PPI 作為圖結構，用 GNN link prediction 推斷缺失邊。
動態交互作用體
傳統 interactome 是靜態快照，但實際互動隨細胞週期、刺激、組織而異。時間解析 AP-MS（如 Hein et al., Cell, 2015 在有絲分裂不同階段收集 PPI）揭示 >30% 互動是條件依賴的。單細胞 PPI（proximity ligation assay + scRNA-seq readout）是前沿方向但尚未成熟。
Edgotype 與精準醫學
Sahni et al.（Cell, 2015）系統性測試 ~2,000 個已知疾病突變對 PPI 的影響，發現 ~60% 的致病突變會選擇性破壞部分互動（edgetic perturbation），而非完全喪失所有互動。這意味著疾病機制需要在 edge 層級而非 node 層級理解。衍生應用：edgotype-aware 藥物設計——開發只恢復特定 disrupted edge 的 PPI stabilizer（如 tafamidis 穩定 transthyretin 四聚體界面）。
資料庫與標準：STRING（綜合分數整合多種證據）、BioGRID（>2M interactions）、IntAct（PSI-MI 標準格式）、HuRI（系統性二元互動參考）。
文獻：Luck et al. (2020) Nature 580:402-408 / Sahni et al. (2015) Cell 161:647-660 / Menche et al. (2015) Science 347:1257601.